电力光纤线路状态预测方法研究

发布时间：2017-05-13 07:17

  本文关键词：电力光纤线路状态预测方法研究，，由笔耕文化传播整理发布。

【摘要】：在电力通信系统中,电力光纤由于其自身所具有的诸多优势,近年来已成为一种主流的通信方式而被广泛应用。作为电力通信系统的关键组成部分,电力光纤通信系统传输的稳定性是电力部门高效生产、稳定运行的重要保障,一旦电力光纤线路发生故障,造成的通信中断将会给企业和用户带来巨大的经济损失。因此,研究电力光纤线路状态预测方法,根据已知的电力光纤线路状态预测未来可能发生的线路故障,从而提前做好维护和管理工作,避免故障的发生,确保电力通信系统不间断传输具有重要的现实意义。为了更加准确地预测电力光纤线路的运行状态,文章提出一种基于自适应粒子群(APSO)优化差分自回归滑动平均—支持向量机(ARIMA-SVM)模型的预测新方法,该方法通过对电力光纤线路运行状态的衡量指标光功率的预测,从而实现电力光纤线路状态预测。首先,根据电力光纤线路中光功率数据具有的非线性、时变性和复杂性特点,采用小波变换对监测得到的光功率数据进行小波分解并重构,提取出随机项与趋势项两部分光功率数据。然后,针对随机项与趋势项数据特性,分别构建多种预测模型进行对比实验,从中选取并构建预测效果最优的ARIMA模型和SVM模型分别对光功率随机项和趋势项两部分数据进行预测。为了进一步提升模型预测性能,文中设计一种APSO算法对SVM模型中参数进行优化,该算法通过构建新型的动态距离函数和自适应惯性权重函数,使得不同粒子的搜索速度能够自适应地变化,从而提高算法的收敛速度和精度,获取更加准确的模型参数,并通过仿真实验验证了该算法的有效性。最后,分别构建ARIMA模型和基于APSO优化的SVM模型对光功率随机项数据和趋势项数据进行预测,并叠加两部分的预测结果,实现光功率未来趋势的预测,从而实现电力光纤线路状态预测。实验结果表明,与其他预测方法相比,文章提出的基于APSO优化ARIMA-SVM混合模型的预测方法能够更加准确地预测出电力光纤线路中光功率的未来趋势,从而实现电力光纤线路状态的预测,并且该方法优化了模型预测性能,较单一的SVM模型光功率趋势预测方法相比,其预测精度提升了12.6%;较未优化参数的ARIMA-SVM混合模型预测方法相比,其预测精度提升了53.8%;较基于LDW优化ARIMA-SVM模型的预测方法相比,其预测精度提升了26.5%。
【关键词】：光纤状态预测 时间序列数据预测 差分自回归滑动平均模型 支持向量机 粒子群优化算法
【学位授予单位】：东北电力大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN929.11;TM73
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-16
• 1.1 课题背景及研究的目的和意义11-12
• 1.2 国内外研究现状12-14
• 1.3 主要研究内容及章节安排14-16
• 第2章 电力光纤线路状态预测原理16-26
• 2.1 光纤通信技术概述16-17
• 2.1.1 光纤通信的基本原理16
• 2.1.2 电力光纤16-17
• 2.2 电力光纤线路状态预测分析17-18
• 2.3 时序数据预测方法分类及工作原理18-25
• 2.3.1 线性时序模型预测方法18-20
• 2.3.2 非线性时序模型预测方法20-25
• 2.4 本章小结25-26
• 第3章 基于小波分解的混合模型预测方法26-47
• 3.1 电力光纤线路数据预处理26-29
• 3.1.1 小波分解与重构27-29
• 3.1.2 预测性能评价指标29
• 3.2 光功率随机项预测模型构建29-34
• 3.2.1 时间序列预测模型的识别29-30
• 3.2.2 时间序列预测模型的构建30-32
• 3.2.3 ARIMA建模及仿真分析32-34
• 3.3 光功率趋势项预测模型构建34-42
• 3.3.1 BP预测模型构建及仿真分析34-36
• 3.3.2 RBF预测模型构建及仿真分析36-39
• 3.3.3 SVM预测模型构建及仿真分析39-42
• 3.4 基于小波分解的ARIMA-SVM混合模型预测方法42-45
• 3.5 本章小结45-47
• 第4章 混合预测模型参数优化及分析47-56
• 4.1 自适应粒子群优化算法47-53
• 4.1.1 自适应粒子群优化算法原理47-49
• 4.1.2 自适应粒子群优化算法流程49-50
• 4.1.3 自适应粒子群优化算法仿真结果及分析50-53
• 4.2 基于APSO优化ARIMA-SVM混合模型预测结果及分析53-55
• 4.3 本章小结55-56
• 结论56-58
• 参考文献58-63
• 攻读硕士学位期间发表的学术论文及其它成果63-64
• 致谢64

【参考文献】

中国期刊全文数据库 前10条

1 曹净;丁文云;赵党书;宋志刚;刘海明;;基于LSSVM-ARMA模型的基坑变形时间序列预测[J];岩土力学;2014年S2期

2 易水寒;喻杰奎;罗清;;OTDR非反射事件自适应检测算法设计与研究[J];光通信技术;2014年09期

3 吴康;姚秀萍;王维庆;王海云;李猛;;基于信息粒化和支持向量机的风功率预测[J];水力发电;2014年05期

4 王东风;王富强;牛成林;;小波分解层数及其组合分量对短期风速多步预测的影响分析[J];电力系统保护与控制;2014年08期

5 刘春卫;罗健旭;;基于混合核函数的PSO-SVM分类算法[J];华东理工大学学报(自然科学版);2014年01期

6 姜万昌;杨e

本文编号：361905